Искусственный интеллект
презентация к уроку

Слайд 1

Авторы : Ставрати Олег Геннадьевич Stavrat i Oleg Романюк Андрей Павлович Roman y uk Andr ey Руководитель : Каверина Ирина Александровна Kaverina Irina Преподаватель математики Россия, Московская область, г. Балашиха ГБПОУ МО «Ногинский колледж» г. Балашиха , ул. Крупешина, д. 5 (8-495-523-20-10), bpek @ lest . ru Наука математика «Искусственный интеллект»

Слайд 2

Тема : «Искусственный интеллект» Цель проекта : ознакомится с методикой разработки искусственных нейронных сетей. Нейронные сети (НС) – это одно из направлений в разработке систем искусственного интеллекта. Задачи проекта : Освоить теоретические основы НС на базе многослойного персептрона. Освоить математический аппарат обучения НС методом обратного распространения ошибки. Разработать проект игры «13 спичек» на основе спроектированной модели НС. 2

Слайд 3

1 . Теоретические основы НС Математические основы теории НС Теорема Колмогорова (1957). Любая непрерывная функция от n переменных F ( x 1 , x 2 , ..., x n ) на замкнутом ограниченном множестве может быть представлена в виде , где g i и h ij – непрерывные функции, причем h ij не зависят от f . Теорема Горбаня ( 1990). Существуют такое число m , набор чисел w ij , и набор чисел v i , что функция , приближает данную функцию F ( x 1 , x 2 , ..., x n ) с погрешностью не более ε на всей области определения . Здесь σ – любая непрерывная функция одной переменной, например, сигмоидальная : , 3 Сигмоидальные связи Выход из нейрона Функция активации

Слайд 4

1 . Теоретические основы НС Архитектура многослойного персептрона Количество входных и выходных элементов определяется условиями задачи . Количество скрытых слоев и элементов в них определяется эмпирическим (опытным) путем. ! 4

Слайд 5

2 . Метод обратного распространения ошибки Алгоритм обратного распространения Учитель – набор известных пар (вход, правильный выход). 5

Слайд 6

2 . Метод обратного распространения ошибки Алгоритм обратного распространения Ш аг 1: Инициализация сети. Выбираем архитектуру сети (количество слоев и элементов в них). Весам w ij присваиваем случайные значения, например , из диапазона (– 0.5, 0.5); задаем ε –точность обучения , α – скорость обучения (≈ 0.2) и функцию активации f ( x ) . Шаг 2: Берем пример входного сигнала E с известным правильным выходом C ( из обучающей выборки ) . Сеть 2 :3:2:1 6

Слайд 7

2 . Метод обратного распространения ошибки Алгоритм обратного распространения Шаг 3 : Прямой проход ( feedForward ). Вычисление импульсов и текущего выходного сигнала : . 7

Слайд 8

2 . Метод обратного распространения ошибки Алгоритм обратного распространения Шаг 4: Обратный проход ( backPropagate ). А) Определение ошибок (проход от выхода к входу) : 8

Слайд 9

2 . Метод обратного распространения ошибки Алгоритм обратного распространения Шаг 4: Б) Обновление весов α – скорость обучения, f * – производная ф ункции активации f . 9

Слайд 10

Проект игры «13 спичек» на основе однослойной нейронной сети Искусственный интеллект 10

Слайд 11

3. Разработка проекта «13 спичек» Условие игры. Условие. Имеется 13 спичек. Компьютер и игрок по очереди берут по 1, 2 или 3 спички. Выигрывает тот, кто возьмет последнюю спичку. Компьютер начинает первым. 11 Имеется ли стратегия выигрыша игрока, начинающего первым . ? Ответ : Да. Задача. Следует обучить компьютер этой выигрышной стратегии на основе модели многослойного персептрона. В качестве обучающей выборки взять ходы выигрышной стратегии.

Слайд 12

3. Разработка проекта «13 спичек» Описание архитектуры сети Архитектура сети 1 :N:3 . 12 Вход X1 - количество оставшихся спичек. Выход ( Y1,Y2,Y3): (1,0,0) – взять 1 спичку ; (0,1,0 ) – взять 2 спичку ; (0,0,1) – взять 3 спичку . Скорость обучения α =0 , 2 . Ф ункции активации – сигмоида . Производная ф ункции активации . Кол-во элементов скрытого слоя N определится при обучении.

Слайд 13

3. Разработка проекта «13 спичек» Решающее правило. Обучающая выборка 13 Фрагмент обучающей выборки : Правило определяющее ошибку – «Победитель получает все» : Находим максимум выходных ячеек и запоминаем номер K ячейки, где достигнут максимум ; Ячейке с номером K присваиваем значение 1, остальным 0. Например, выходному вектору (0.25, 0,56, 0.11) соответствует выходная стратегия (0,1,0) – взять 2 спички. Вход X1 Y1 Y2 Y3 Стратегия 13 1 0 0 Взять 1 спичку 11 0 0 1 Взять 3 спички 10 0 1 0 Взять 2 спички 9 1 0 0 Взять 1 спичку

Слайд 14

3. Программная реализация проекта «13 спичек» Архитектура и обучение сети 14

Слайд 15

3. Программная реализация проекта «13 спичек» Программная реализация игры «13 спичек» 15

Слайд 16

3. Программная реализация проекта «13 спичек» Программная реализация игры «13 спичек» 16

Слайд 17

3. Программная реализация проекта «13 спичек» Программная реализация игры «13 спичек» 17

Слайд 18

3. Программная реализация проекта «13 спичек» Программная реализация игры «13 спичек» 18